CN108876062A - 一种犯罪事件智能预测的大数据方法及装置 - Google Patents
一种犯罪事件智能预测的大数据方法及装置 Download PDFInfo
- Publication number
- CN108876062A CN108876062A CN201810918074.1A CN201810918074A CN108876062A CN 108876062 A CN108876062 A CN 108876062A CN 201810918074 A CN201810918074 A CN 201810918074A CN 108876062 A CN108876062 A CN 108876062A
- Authority
- CN
- China
- Prior art keywords
- crime dramas
- crime
- subregion
- dramas
- focus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种犯罪事件智能预测的大数据方法及装置,该方法包括:根据预设区域的预设历史时间段内的历史犯罪事件,利用深度学习算法,预测“震源”犯罪事件及其个数;将第一子区域的位置参数和“震源”犯罪事件个数,代入预建立的正态分布函数中,获取第一子区域中“震源”犯罪事件的密度贡献度;以及,将历史犯罪事件总个数带入预建立的正态分布函数后,获取第一子区域中“余震”犯罪事件的密度贡献度;根据第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度,确定第一子区域的犯罪事件覆盖密度。通过上述方式,可以适应国内城市多中心、社区布局复杂等情况,对国内的不同区域的犯罪事件的预测将更加精确。
Description
技术领域
本发明涉及大数据处理和人工智能相结合的技术领域,具体涉及一种犯罪事件智能预测的大数据方法及装置。
背景技术
随着生活压力的不断增大,越来越多的犯罪事件发生,犯罪率不断提高。那么,如何在发生犯罪之前,事先预测发生犯罪事件高的地区成为一个热点话题。传统的预测方法主要是按照如下公式计算犯罪密度。
其中,g函数表示“余震”犯罪事件的密度贡献度。虽然,该算法模型对美国城市的犯罪预测起到了很好的效果。但是,并不适用于国内的犯罪预测。其原因在于,国内城市街区布局、结构等比较复杂,如果仅考虑“余震”犯罪事件的密度贡献度,预设效果将不够精确。
因此,如何针对国内街区布局、结构复杂的环境,对犯罪事件进行精准预测成为亟待解决的技术问题。
发明内容
本发明的目的在于提供一种犯罪事件智能预测的大数据方法及装置,用以解决针对国内街区布局、结构复杂的环境,对犯罪事件进行精准预测的问题。
为实现上述目的,本发明的技术方案提供了一种犯罪事件智能预测的大数据的方法,该犯罪事件智能预测的大数据的方法包括:
根据预设区域的预设历史时间段内的历史犯罪事件,利用深度学习算法,预测“震源”犯罪事件及其个数;
将第一子区域的位置参数和“震源”犯罪事件个数,代入预建立的正态分布函数中,获取第一子区域中“震源”犯罪事件的密度贡献度;
以及,将历史犯罪事件总个数带入预建立的正态分布函数后,获取第一子区域中“余震”犯罪事件的密度贡献度;
根据第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度,确定第一子区域的犯罪事件覆盖密度,其中,按照预设规则将预设区域划分为至少一个子区域,第一子区域为包含于预设区域内的任一子区域。
本发明具有如下优点:根据预设区域内在某个历史时间段内发生的历史犯罪事件,利用深度学习算法,预测“震源”犯罪事件及其个数,并确定“震源”犯罪事件的密度贡献度,同时确定由历史犯罪事件组成的“余震”犯罪事件的密度贡献度。将第一子区域内中的“震源”犯罪事件的密度贡献度和根据历史犯罪事件所获取的“余震”犯罪事件的密度贡献度相结合,确定第一子区域的犯罪事件覆盖密度。即,不仅仅考虑“余震”犯罪事件的密度贡献度,还要将“震源”犯罪事件的密度贡献度同时考虑进来,从而大大提高预测的精确度。而且,将预设区域按照国内的街区布局、结构等自适应划分为很多个小的子区域,正好可以适应国内城市多中心、社区布局复杂等情况,对国内的不同区域的犯罪事件的预测将更加精确。另外,本申请重点着眼于事件的“预测”而非已有信息的关联,既能丰富大数据研究内涵,又能填补犯罪预测国内研究应用不足。
为实现上述目的,本发明的技术方案提供了一种犯罪事件智能预测的大数据的装置,该装置包括:
预测单元,用于根据预设区域的预设历史时间段内的历史犯罪事件,利用深度学习算法,预测“震源”犯罪事件及其个数;
处理单元,用于将第一子区域的位置参数和“震源”犯罪个数,代入预建立的正态分布函数中,获取第一子区域中“震源”犯罪事件的密度贡献度;
以及,将历史犯罪事件总个数带入预建立的正态分布函数后,获取第一子区域中“余震”犯罪事件的密度贡献度;
根据第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度,确定第一子区域的犯罪事件覆盖密度,其中,按照预设规则将预设区域划分为至少一个子区域,第一子区域为包含于预设区域内的任一子区域。
本发明具有如下优点:根据预设区域内在某个历史时间段内发生的历史犯罪事件,利用深度学习算法,预测“震源”犯罪事件及其个数,并确定“震源”犯罪事件的密度贡献度,同时确定由历史犯罪事件组成的“余震”犯罪事件的密度贡献度。将第一子区域内中的“震源”犯罪事件的密度贡献度和根据历史犯罪事件所获取的“余震”犯罪事件的密度贡献度相结合,确定第一子区域的犯罪事件覆盖密度。即,不仅仅考虑“余震”犯罪事件的密度贡献度,还要将“震源”犯罪事件的密度贡献度同时考虑进来,从而大大提高预测的精确度。而且,将预设区域按照国内的街区布局、结构等自适应划分为很多个小的子区域,正好可以适应国内城市多中心、社区布局复杂等情况,对国内的不同区域的犯罪事件的预测将更加精确。另外,本申请重点着眼于事件的“预测”而非已有信息的关联,既能丰富大数据研究内涵,又能填补犯罪预测国内研究应用不足。
附图说明
图1为本发明实施例提供的一种犯罪事件智能预测的大数据的方法流程示意图;
图2为本发明实施例提供的一种犯罪事件智能预测的大数据的方法对武汉区域的犯罪事件进行预测后的示意图;
图3为本发明实施例提供的一种犯罪事件智能预测的大数据的装置结构示意图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
本发明实施例1提供了一种犯罪事件智能预测的大数据的方法流程示意图。具体如图1所示,该方法可以包括:
步骤110,根据预设区域的预设历史时间段内的历史犯罪事件,预测“震源”犯罪事件及其个数。
为了更加适应国内城市街区的布局,复杂的结构等,可以将预设区域划分为至少一个子区域。例如,可以将武汉划分为武昌、汉口和汉阳等子区域。然后在后续执行过程中,分别确定这几个子区域的犯罪事件覆盖密度。相较于单纯的只看武汉的犯罪事件的覆盖密度,划分为子区域后,分别确定每一个子区域的犯罪事件的覆盖密度将使对犯罪事件的预测更加精确。而为了适应国内错综复杂的分布环境,更加优选的,可以以一个小区为单位,即将一个预设区域按照小区的边界划分,划分成多个小区。其中,历史犯罪数据可以通过与警方合作获取。
将犯罪事件的覆盖密度直接定位到不同的小区的时候,更加便于民警确定其巡逻路线,加强小区的治安。不同小区的居民也可以视情况加强安全防护等措施。因此,需要按照预设规则将预设区域划分为至少一个子区域,下文中即将要介绍的第一子区域为包含于预设区域内的任一子区域。
可选的,根据预设区域的预设历史时间段内的历史犯罪事件,预测“震源”犯罪事件的个数,具体可以包括以下两种方式:
第一种,随机建立一种概率转移矩阵,将预设区域的预设历史时间段内的历史犯罪事件的相关参数带入该概率转移矩阵中,例如历史犯罪事件的发生时间、发生位置的经度和纬度等参数。然后根据概率转移矩阵,确定该区域中预设历史时间段内的犯罪事件的发生概率。将概率大于或者等于第二预设阈值(例如预设阈值为0.5)的历史犯罪事件作为“震源”犯罪事件,并统计“震源”犯罪事件的个数。
第二种,利用深度学习算法对预设区域的预设历史时间段内的历史犯罪事件进行分析,预设区域内不同子区域在未来预设时间段内的犯罪强度。并将预测出的犯罪强度大于或者等于第一预设阈值(例如0.6)的可能发生犯罪事件作为“震源”犯罪事件,并统计“震源”犯罪事件的个数。
深度学习算法可以是卷积神经网络学习法与长短期记忆网络算法的相结合,从而构建针对二维序列建模的创新网络结构,从而提高预测精准度和运算效率。
以上确定犯罪事件的发生概率,或者是预测犯罪轻重等的方案均可以通过现有技术实现,因此这里不做过多的细节介绍。
步骤120,将第一子区域的位置参数和“震源”犯罪事件个数,代入预建立的正态分布函数中,获取第一子区域中“震源”犯罪事件的密度贡献度。
具体的,当希望预测某一个子区域的犯罪事件覆盖密度时,需要知道该子区域中的“震源”犯罪事件的密度贡献度,以及“余震”犯罪事件的密度贡献度。而在本步骤中,则是首先计算该子区域中的“震源”犯罪事件的密度贡献度。
具体的,将该区域的位置参数和震源犯罪事件的个数,带入预建立的正态分布函数中,获取第一子区域中“震源”犯罪事件的密度贡献度。
可选的,预建立的自激点算法模型,其体现形式为正态分布函数。
具体的,正态分布函数可以由下式体现:
其中,gn(t,x,y)为所有“震源”犯罪事件的密度贡献度,N为“震源”犯罪事件的总个数,xi o,yi o以及ti o分别为第i个“震源”犯罪事件的经度坐标、纬度坐标以及事件发生时刻。
步骤130,将历史犯罪事件总个数带入预建立的正态分布函数后,获取第一子区域中“余震”犯罪事件的密度贡献度。
与步骤120相类似的,通过步骤130获取第一子区域中“余震”犯罪事件的密度贡献度。在这之前,同样需要先统计历史犯罪事件的总个数。
当获取第一子区域中“余震”犯罪事件的密度贡献度时,公式1中的N则为“余震”犯罪事件的总个数,xi o,yi o以及ti o分别为第i个“震源”犯罪事件的经度坐标、纬度坐标以及事件发生时刻,x代表第一子区域的经度,y代表第一子区域的维度。
步骤140,根据“震源”子区域犯罪事件的密度贡献度和“余震”子区域犯罪事件的密度贡献度,确定第一子区域的犯罪事件覆盖密度。
具体的,第一子区域的犯罪事件覆盖密度实际上就是第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度之和。
具体的公式可以表示为:
其中,λ(t,x,y)为第一子区域的犯罪事件覆盖密度,(t)μ(x,y)为所述第一子区域中“震源”犯罪事件的密度贡献度,(t)为取gn(t,x,y)中有关t的一维函数获取的,μ(x,y)为取关于(x,y)的二维函数获取的。为所述第一子区域中“余震”犯罪事件的密度贡献度,k为所有历史犯罪事件的个数,tk,xk,yk分别表示第k个历史犯罪事件发生的时间和经纬度坐标,t,x,y则分别表示要预测的犯罪事件发生的时间和经纬度坐标。
图2示出了利用本实施例中的方法预测武汉区域的不同子区域的犯罪事件的覆盖密度,其中方形代表子区域,而方形的颜色越深,则说明覆盖密度越大。
本发明实施例提供的一种犯罪事件智能预测的大数据的方法,根据预设区域内在某个历史时间段内发生的历史犯罪事件,利用深度学习算法,预测“震源”犯罪事件及其个数,并确定“震源”犯罪事件的密度贡献度,同时确定由历史犯罪事件组成的“余震”犯罪事件的密度贡献度。将第一子区域内中的“震源”犯罪事件的密度贡献度和根据历史犯罪事件所获取的“余震”犯罪事件的密度贡献度相结合,确定第一子区域的犯罪事件覆盖密度。即,不仅仅考虑“余震”犯罪事件的密度贡献度,还要将“震源”犯罪事件的密度贡献度同时考虑进来,从而大大提高预测的精确度。而且,将预设区域按照国内的街区布局、结构等自适应划分为很多个小的子区域,正好可以适应国内城市多中心、社区布局复杂等情况,对国内的不同区域的犯罪事件的预测将更加精确。另外,本申请重点着眼于事件的“预测”而非已有信息的关联,既能丰富大数据研究内涵,又能填补犯罪预测国内研究应用不足。
实施例2
与实施例1相对应的,本发明实施例还提供了一种犯罪事件智能预测的大数据的装置,具体如图3所示,该装置包括:预测单元201和处理单元202。
预测单元201,用于根据预设区域的预设历史时间段内的历史犯罪事件,利用深度学习方法,预测“震源”犯罪事件及其个数,;
处理单元202,用于将第一子区域的位置参数和“震源”犯罪事件个数,代入预建立的正态分布函数中,获取第一子区域中“震源”犯罪事件的密度贡献度;
以及,将历史犯罪事件总个数带入预建立的正态分布函数后,获取第一子区域中“余震”犯罪事件的密度贡献度;
根据第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度,确定第一子区域的犯罪事件覆盖密度,其中,按照预设规则将预设区域划分为至少一个子区域,第一子区域为包含于预设区域内的任一子区域。
可选的,预测单元201具体用于:
采用深度学习算法对预设区域的预设历史时间段内的历史犯罪事件进行分析后,预测预设区域内不同子区域在未来预设时间段内的犯罪强度;
将预测的犯罪强度大于或者等于第一预设阈值的犯罪事件为“震源”犯罪事件;
统计“震源”犯罪事件个数。
可选的,预测单元201具体用于:
根据预建立的概率转移矩阵,确定预设区域的预设历史时间段内的历史犯罪事件的发生概率;
将发生概率大于或者等于第二预设阈值的历史犯罪事件作为“震源”犯罪事件。
可选的,预建立的正态分布函数由下式表示:
其中,当取x、y以及t三个维度时,gn(t,x,y)为所有“余震”犯罪事件的密度贡献度。此时,N为“余震”犯罪事件的总个数,xi o,yi o以及ti o分别为第i个“余震”犯罪事件的经度坐标、纬度坐标以及事件发生时刻;
或者,当取x、y两个维度或者只取t维度时,gn(t,x,y)为所有“震源”犯罪事件的密度贡献度。此时,N为“震源”犯罪事件的总个数,xi o,yi o以及ti o分别为第i个“震源”犯罪事件的经度坐标、纬度坐标以及事件发生时刻。
可选的,处理单元202具体用于,将第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度之和作为第一子区域的犯罪事件覆盖密度。
可选的,第一子区域的犯罪事件覆盖密度由下式表示:
其中,λ(t,x,y)为第一子区域的犯罪事件覆盖密度,(t)μ(x,y)为第一子区域中“震源”犯罪事件的密度贡献度, 为所述第一子区域中“余震”犯罪事件的密度贡献度,k为所有历史犯罪事件的个数,tk,xk,yk分别表示第k个历史犯罪事件发生的时间和经纬度坐标,t,x,y则分别表示要预测的犯罪事件发生的时间和经纬度坐标。
本发明实施例提供的犯罪事件智能预测的大数据的装置中各部件所执行的功能均已在上述实施例1中做了详细的介绍,因此这里不做详细介绍。
本发明实施例提供的一种犯罪事件智能预测的大数据的装置,根据预设区域内在某个历史时间段内发生的历史犯罪事件,利用深度学习算法,预测“震源”犯罪事件及其个数,并确定“震源”犯罪事件的密度贡献度,同时确定由历史犯罪事件组成的“余震”犯罪事件的密度贡献度。将第一子区域内中的“震源”犯罪事件的密度贡献度和根据历史犯罪事件所获取的“余震”犯罪事件的密度贡献度相结合,确定第一子区域的犯罪事件覆盖密度。即,不仅仅考虑“余震”犯罪事件的密度贡献度,还要将“震源”犯罪事件的密度贡献度同时考虑进来,从而大大提高预测的精确度。而且,将预设区域按照国内的街区布局、结构等自适应划分为很多个小的子区域,正好可以适应国内城市多中心、社区布局复杂等情况,对国内的不同区域的犯罪事件的预测将更加精确。另外,本申请重点着眼于事件的“预测”而非已有信息的关联,既能丰富大数据研究内涵,又能填补犯罪预测国内研究应用不足。
实施例3
此外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现上述实施例1的方法步骤。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种犯罪事件智能预测的大数据的方法,其特征在于,所述方法包括:
根据预设区域的预设历史时间段内的历史犯罪事件,利用深度学习算法,预测“震源”事件及其个数;
将第一子区域的位置参数和所述“震源”事件个数,代入预建立的正态分布函数中,获取所述第一子区域中“震源”犯罪事件的密度贡献度;
以及,将所述历史犯罪事件总个数带入所述预建立的正态分布函数后,获取所述第一子区域中“余震”犯罪事件的密度贡献度;
根据所述第一子区域中“震源”犯罪事件的密度贡献度和所述第一子区域中“余震”犯罪事件的密度贡献度,确定所述第一子区域的犯罪事件覆盖密度,其中,按照预设规则将所述预设区域划分为至少一个子区域,第一子区域为包含于所述预设区域内的任一子区域。
2.根据权利要求1所述的方法,其特征在于,所述根据预设区域的预设历史时间段内的历史犯罪事件,利用深度学习算法,预测“震源”犯罪事件及其个数,具体包括:
采用深度学习算法对所述预设区域的预设历史时间段内的历史犯罪事件进行分析后,预测所述预设区域内不同子区域在未来预设时间段内的犯罪强度;
将预测的犯罪强度大于或者等于第一预设阈值的犯罪事件为“震源”犯罪事件;
统计所述“震源”犯罪事件个数。
3.根据权利要求1所述的方法,其特征在于,所述根据预设区域的预设历史时间段内的历史犯罪事件,利用深度学习算法,预测“震源”犯罪事件及其个数,具体包括:
根据预建立的概率转移矩阵,确定所述预设区域的预设历史时间段内的历史犯罪事件的发生概率;
将所述发生概率大于或者等于第二预设阈值的历史犯罪事件作为“震源”犯罪事件;
并统计“震源”犯罪事件的个数。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述预建立的正态分布函数由下式表示:
其中,当取x、y以及t三个维度时,gn(t,x,y)为所有“余震”犯罪事件的密度贡献度,此时,N为“余震”犯罪事件的总个数,xi o,yi o以及ti o分别为第i个“余震”犯罪事件的经度坐标、纬度坐标以及事件发生时刻;
或者,当取x、y两个维度或者只取t维度时,gn(t,x,y)为所有“震源”犯罪事件的密度贡献度,此时,N为“震源”犯罪事件的总个数,xi o,yi o以及ti o分别为第i个“震源”犯罪事件的经度坐标、纬度坐标以及事件发生时刻。
5.根据权利要求4所述的方法,其特征在于,根据所述第一子区域中“震源”犯罪事件的密度贡献度和所述第一子区域中“余震”犯罪事件的密度贡献度,确定所述第一子区域的犯罪事件覆盖密度,具体包括:
将所述第一子区域“震源”犯罪事件的密度贡献度和所述第一子区域“余震”犯罪事件的密度贡献度之和作为所述第一子区域的犯罪事件覆盖密度。
6.根据权利要求5所述的方法,其特征在于,所述第一子区域的犯罪事件覆盖密度由下式表示:
其中,λ(t,x,y)为第一子区域的犯罪事件覆盖密度,θ(t)μ(x,y)为所述第一子区域中“震源”犯罪事件的密度贡献度,θ(t)为取gn(t,x,y)中有关t的一维函数获取的,μ(x,y)为取关于(x,y)的二维函数获取的,为所述第一子区域中“余震”犯罪事件的密度贡献度,k为所有历史犯罪事件的个数,tk,xk,yk分别表示第k个历史犯罪事件发生的时间和经纬度坐标,t,x,y则分别表示要预测的犯罪事件发生的时间和经纬度坐标。
7.一种犯罪事件智能预测的大数据的装置,其特征在于,所述装置包括:
预测单元,用于根据预设区域的预设历史时间段内的历史犯罪事件,利用深度学习算法,预测“震源”犯罪事件及其个数;
处理单元,用于将第一子区域的位置参数和所述“震源”犯罪事件个数,代入预建立的正态分布函数中,获取所述第一子区域中“震源”犯罪事件的密度贡献度;
以及,将所述历史犯罪事件总个数带入所述预建立的正态分布函数后,获取所述第一子区域中“余震”犯罪事件的密度贡献度;
根据所述第一子区域“震源”犯罪事件的密度贡献度和所述第一子区域“余震”犯罪事件的密度贡献度,确定所述第一子区域的犯罪事件覆盖密度,其中,按照预设规则将所述预设区域划分为至少一个子区域,所述第一子区域为包含于所述预设区域内的任一子区域。
8.根据权利要求7所述的装置,其特征在于,所述预测单元具体用于:
采用深度学习算法对所述预设区域的预设历史时间段内的历史犯罪事件进行分析后,预测所述预设区域内不同子区域在未来预设时间段内的犯罪强度;
将预测的所述犯罪强度大于或者等于第一预设阈值的犯罪事件为“震源”犯罪事件;
统计所述“震源”犯罪事件个数。
9.根据权利要求7所述的装置,其特征在于,所述预测单元具体用于:
根据预建立的概率转移矩阵,确定所述预设区域的预设历史时间段内的历史犯罪事件的发生概率;
将所述发生概率大于或者等于第二预设阈值的历史犯罪事件作为“震源”犯罪事件。
10.根据权利要求7-9任一项所述的装置,其特征在于,所述预建立的正态分布函数由下式表示:
其中,当取x、y以及t三个维度时,gn(t,x,y)为所有“余震”犯罪事件的密度贡献度,此时,N为“余震”犯罪事件的总个数,xi o,yi o以及ti o分别为第i个“余震”犯罪事件的经度坐标、纬度坐标以及事件发生时刻;
或者,当取x、y两个维度或者只取t维度时,gn(t,x,y)为所有“震源”犯罪事件的密度贡献度,此时,N为“震源”犯罪事件的总个数,xi o,yi o以及ti o分别为第i个“震源”犯罪事件的经度坐标、纬度坐标以及事件发生时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810918074.1A CN108876062B (zh) | 2018-08-13 | 2018-08-13 | 一种犯罪事件智能预测的大数据方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810918074.1A CN108876062B (zh) | 2018-08-13 | 2018-08-13 | 一种犯罪事件智能预测的大数据方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876062A true CN108876062A (zh) | 2018-11-23 |
CN108876062B CN108876062B (zh) | 2022-04-12 |
Family
ID=64317745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810918074.1A Active CN108876062B (zh) | 2018-08-13 | 2018-08-13 | 一种犯罪事件智能预测的大数据方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876062B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351523A (zh) * | 2019-07-22 | 2019-10-18 | 常州机电职业技术学院 | 一种楼宇视频监控系统与视频监控调整方法 |
CN110750609A (zh) * | 2019-10-14 | 2020-02-04 | 浙江警察学院 | 基于时空数据和神经网络的犯罪案件数量预测方法 |
CN113919160A (zh) * | 2021-10-14 | 2022-01-11 | 南京审计大学 | 一种细粒度的城市犯罪预测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765772A (zh) * | 2015-03-11 | 2015-07-08 | 广西师范学院 | 一种基于时空区域犯罪特征的建模方法 |
EP2990957A1 (en) * | 2014-08-27 | 2016-03-02 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for predicting based on multi-source heterogeneous data |
CN106779256A (zh) * | 2017-03-24 | 2017-05-31 | 山东大学 | 一种基于事件驱动的停车空余泊位数实时预测方法及系统 |
CN106952208A (zh) * | 2017-03-17 | 2017-07-14 | 讯飞智元信息科技有限公司 | 犯罪自动预测方法及系统 |
CN106982413A (zh) * | 2016-01-15 | 2017-07-25 | 中国移动通信集团上海有限公司 | 一种区域客流趋势的预测方法及装置 |
CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
US9805311B1 (en) * | 2011-09-08 | 2017-10-31 | Predpol, Inc. | Event forecasting system |
US20180033109A1 (en) * | 2016-07-26 | 2018-02-01 | International Business Machines Corporation | Using public safety data to manage a criminal event response |
-
2018
- 2018-08-13 CN CN201810918074.1A patent/CN108876062B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9805311B1 (en) * | 2011-09-08 | 2017-10-31 | Predpol, Inc. | Event forecasting system |
EP2990957A1 (en) * | 2014-08-27 | 2016-03-02 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for predicting based on multi-source heterogeneous data |
CN104765772A (zh) * | 2015-03-11 | 2015-07-08 | 广西师范学院 | 一种基于时空区域犯罪特征的建模方法 |
CN106982413A (zh) * | 2016-01-15 | 2017-07-25 | 中国移动通信集团上海有限公司 | 一种区域客流趋势的预测方法及装置 |
US20180033109A1 (en) * | 2016-07-26 | 2018-02-01 | International Business Machines Corporation | Using public safety data to manage a criminal event response |
CN106952208A (zh) * | 2017-03-17 | 2017-07-14 | 讯飞智元信息科技有限公司 | 犯罪自动预测方法及系统 |
CN106779256A (zh) * | 2017-03-24 | 2017-05-31 | 山东大学 | 一种基于事件驱动的停车空余泊位数实时预测方法及系统 |
CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351523A (zh) * | 2019-07-22 | 2019-10-18 | 常州机电职业技术学院 | 一种楼宇视频监控系统与视频监控调整方法 |
CN110351523B (zh) * | 2019-07-22 | 2020-10-16 | 常州机电职业技术学院 | 一种楼宇视频监控系统与视频监控调整方法 |
CN110750609A (zh) * | 2019-10-14 | 2020-02-04 | 浙江警察学院 | 基于时空数据和神经网络的犯罪案件数量预测方法 |
CN113919160A (zh) * | 2021-10-14 | 2022-01-11 | 南京审计大学 | 一种细粒度的城市犯罪预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108876062B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876062A (zh) | 一种犯罪事件智能预测的大数据方法及装置 | |
CN108460362A (zh) | 一种检测人体部位的系统及方法 | |
CN109670474A (zh) | 一种基于视频的人体姿态估计方法、装置及设备 | |
CN106650592A (zh) | 目标追踪系统 | |
CN110176001A (zh) | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 | |
CN112001415A (zh) | 一种基于对抗网络的位置差分隐私保护方法 | |
CN103428704B (zh) | 一种频谱感知方法及装置 | |
CN112784685A (zh) | 基于多尺度引导注意力机制网络的人群计数方法及系统 | |
CN110147833A (zh) | 人像处理方法、装置、系统和可读存储介质 | |
CN111192206A (zh) | 一种提高图像清晰度的方法 | |
CN106339322A (zh) | 一种基于hmm‑aco的软件行为预测的方法 | |
CN109785356A (zh) | 一种视频图像的背景建模方法 | |
CN113705461A (zh) | 人脸清晰度检测方法、装置、设备及存储介质 | |
CN109544516A (zh) | 图像检测方法及装置 | |
CN107067354A (zh) | 基于共治网格的监管任务处理方法和装置 | |
CN110135423A (zh) | 文本识别网络的训练方法和光学字符识别方法 | |
CN109492697A (zh) | 图片检测网络训练方法及图片检测网络训练装置 | |
CN108762936A (zh) | 基于人工智能图像识别的分布式计算系统及方法 | |
CN111104976A (zh) | 一种基于时间序列图像的蓝藻覆盖率计算方法 | |
CN103455525B (zh) | 基于用户的搜索推广行为确定推广帐号状态的方法与设备 | |
CN114124564B (zh) | 一种仿冒网站检测方法、装置、电子设备及存储介质 | |
CN110287752A (zh) | 一种点阵码检测方法及装置 | |
CN112153464A (zh) | 一种智慧城市管理系统 | |
CN107680278A (zh) | 一种净化器的控制方法和装置 | |
CN114708554A (zh) | 一种基于人脸检测的智慧图书馆人流量监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |